通过主动感知管道，我们在移动机器人中引入一种能够在未知、杂乱环境中进行抓取等操作的机器人运动生成方法，通过最大化视觉信息增益和任务目标达成的效率来权衡重构未知场景，以及实现了我们的移动抓取策略在真实世界中的传递。

Sep, 2023

本文提出了一个在未知环境中自主交互大型铰接物体的两阶段架构，第一阶段是以物体为中心的规划器，第二阶段是以智能代理为中心的规划器，并且在移动障碍物的情况下，通过优化控制问题确保安全跟踪所生成的计划。

Mar, 2021

本研究提出一种名为神经导航移动操控（N$^2$M$^2$）的方法，通过将移动操控任务分解为任务空间中的简化运动生成器和移动基地的训练强化学习代理，同时通过对复杂障碍环境的扩展，可以在未知环境中执行不可见、长视距任务，并立即对动态障碍和环境变化做出反应。

Jun, 2022

研究了机器人在存在不确定性情况下的抓取和操纵问题，提出了连续实时感知和反应运动生成方法在动态操纵场景中的重要性，并比较了三种不同的系统架构。通过在真实机器人平台上进行四个场景的广泛评估，量化了反应运动生成系统中不同时间尺度实时反馈融合的鲁棒性和准确性，并报告了系统建设中的经验教训。

Mar, 2017

提出了一种基于在线抓取姿势融合的可抓取性感知移动操作方法，用于在接近目标并抓取时有效观察目标，通过通过在线整理抓取姿势，消除冗余和异常值，并将其编码为一个抓取姿势观察状态，用于强化学习。此外，实时融合抓取姿势可直接评估抓握可行性，包括抓握姿势的数量和质量。

Sep, 2023

通过将基于梯度的软体物理模拟器的规划器提炼成基于注意力机制的神经网络，我们的多机器人操作系统在适应环境变化、处理任务时表现更好，并且可以应用于训练中未见过的配置。

Nov, 2022

通过互补性的导航和操作，将机器人的环境感知与行为规划相结合，实现了在日常任务中的协调性行为，从而改善了现有技术。验证了该方法在模拟和真实环境中的有效性，并能够适应新颖的未知环境，无需额外调优。

Dec, 2023

采用强化学习方法通过层次性模拟实现在多移动机器人协作下的操纵行为。

Aug, 2019

在本研究中，我们介绍了一个全套解决方案，即开放世界移动操作系统，用于处理开放且无结构的环境中的真实关节对象操作，如真实世界中的门、柜子、抽屉和冰箱。我们还开发了一种低成本的移动操作硬件平台，能够在无结构环境中进行安全和自主的在线调整。

Jan, 2024

研究了使用装备有机械臂的四足机器人进行移动操纵的问题，提出了一种整体控制的框架，包括以视觉观测为基础的低层次控制策略和基于视觉输入的高层次策略，通过在仿真中训练并进行真实机器人部署的 Sim2Real 转换，取得了在不同配置（高度、位置、方向）和环境中拾取多样物体方面显著的改进。

Mar, 2024